추론이 데이터의 잠재력을 최대한 실현하는 데 중요한 이유

지식 그래프의 추론 기능을 활용하여 조직은 새로운 데이터 연결을 추정하고 생성하는 모든 새로운 연결을 설명할 수 있습니다.

디지털 트랜스포메이션이 대세이며 대부분의 경우 디지털 트랜스포메이션의 목표는 데이터를 자산처럼 취급하는 것입니다. 어떤 경우에는 데이터를 수익화하는 것을 의미하고 다른 경우에는 목표가 데이터를 보다 효율적으로 활용하여 더 나은 결정을 내리기 위한 통찰력을 도출하는 것입니다. 그러나 실제로는 두 가지 모두 달성하기 어렵습니다. 디지털 트랜스포메이션은 점점 더 하이브리드되고 다양하며 변화하는 데이터에서 신속한 통찰력을 요구하지만 기존의 데이터 통합 ​​플랫폼은 오늘날의 환경에 맞게 설계되지 않았습니다. 결과적으로 조직은 더 이상 증가하는 데이터의 복잡성을 따라잡을 수 없으며 데이터 간의 숨겨진 관계와 연결을 식별하여 새로운 기회를 발견할 수 없습니다. 점점 더 필요한 것은 기업이 다양한 데이터 세트를 함께 가져와 분석하여 통찰력을 얻을 수 있도록 하는 추론 기능입니다.

끝없는 데이터 캡처의 오늘날의 복잡한 세계에서 성장과 혁신을 주도하는 것은 IT 팀이 경직된 데이터 구조와 구식 통합 스타일에서 벗어날 수 있을 때만 가능합니다.

민첩성은 비즈니스 성공의 열쇠이며 기업은 내일이나 다음 주에 대한 답변이 아니라 중요한 순간에 데이터를 사용 가능하게 만들기 위해 필사적입니다.

그러나 미개척 가치를 도출하려면 형식, 소스 또는 기본 기술에 관계없이 비즈니스 의미를 기반으로 데이터를 연결할 수 있는 능력이 필요합니다. 기계 학습 및 기타 소스에서 파생된 엄청난 양의 데이터에는 서로 다른 소스에 저장된 관련 정보를 연결한 다음 풍부한 관계 웹을 적용하여 새로운 연결을 발견하는 기능이 필요합니다. 이것이 디지털 트랜스포메이션의 약속을 실현하는 열쇠입니다. 하지만 이를 달성하려면 어떻게 해야 합니까?

전제에서 논리적 결과로 이동:데이터패브릭이 필요한 추론을 제공하는 방법

오늘날 조직은 데이터 패브릭과 같은 현대적 통합 접근 방식을 채택하여 협업, 교차 기능 프로젝트 및 제품을 강화하고 사후 대응 워크플로를 피하고 있습니다. 내부 사일로와 외부 소스의 데이터를 결합하여 비즈니스 애플리케이션, Al 및 분석을 지원하는 정보 네트워크를 만듭니다. 간단히 말해서, 이들은 서로 다른 소스에 저장된 정보 간의 연결을 생성함으로써 오늘날의 복잡한 기업 전체를 지원합니다.

지식 그래프는 재사용 가능한 정보 네트워크를 생성하고 다양한 구조의 데이터를 나타내고 여러 스키마를 지원하므로 효과적인 데이터 구조의 필수적인 부분입니다. 기업 및 타사 데이터에 대한 의미론적 이해를 생성하는 지식 그래프는 데이터 패브릭의 핵심 역할을 하여 기존 투자를 강화 및 가속화하고 비즈니스 통찰력에 대한 중요한 액세스를 제공합니다. 더 중요한 것은 지식 그래프가 데이터를 상황 변화를 지원하는 기계가 이해할 수 있는 실제 지식으로 변환하므로 의미가 상황에 따라 변한다는 것입니다. 일단 설정되면 지식 그래프는 이 풍부한 관계의 웹을 사용하여 데이터 내에서 새로운 연관성을 발견합니다. 이러한 추론된 관계는 기업 데이터에 대한 보다 풍부하고 정확한 보기를 생성합니다.

지식 그래프는 개념 간의 계층적 연관성을 제공함으로써 미묘한 이해를 제공하므로 지식 기반 조직이 새로운 발견을 식별할 수 있습니다. 또한 지식 그래프는 지식의 변동하는 특성을 지원하기 위해 특별히 제작되었기 때문에 데이터에서 종종 누락되는 컨텍스트를 제공합니다. 그 결과 기술이 새로운 데이터, 정의 및 요구 사항을 쉽게 수용하므로 디지털 운영을 위한 보다 유연한 기반이 됩니다.

종종 온톨로지 또는 어휘라고 하는 지식 그래프의 데이터 모델은 엔터티 간의 공통 관계를 제시하고 기업이 복잡한 도메인을 설명할 수 있도록 합니다. 약을 예로 들어보자. 새로운 치료법을 개발하기 위해 제약 회사는 여러 사실, 모델링 구성 및 비즈니스 규칙에 액세스할 수 있어야 하며, 이 모두는 새로운 연결을 암시하기 위해 서로 상호 작용해야 합니다. 이 추론 기능은 제조업체가 사용하는 응용 프로그램을 통해 사람들을 인프라에 연결할 수 있게 해 줍니다. 또한 과거 사건에 대한 새로운 사건의 유사성을 기반으로 제어를 적용하고 조사 중인 조건을 기반으로 조사자와 치료 영역 간의 추론된 연결을 찾는 데 도움이 됩니다. 연구에서. 그리고 목록은 계속됩니다.

여러 데이터 모델을 데이터 패브릭에 동시에 적용하면 조직에서 동일한 데이터에 대해 서로 다른 해석이 필요한 여러 애플리케이션을 지원할 수 있습니다. 데이터 레이크 또는 데이터 웨어하우스와 같은 기존 데이터 통합 ​​접근 방식은 둘 이상의 스키마를 지원하기 어렵기 때문에 이 용량이 제한적입니다. 이것이 기업이 각각의 새로운 애플리케이션, 프로젝트 또는 분석에 대해 새로운 데이터 사일로를 지속적으로 생성해야 하는 이유 중 하나입니다. 이러한 접근 방식은 추론 분석을 수행하는 능력을 감소시킵니다.

성공적인 데이터 패브릭의 연결된 엔터프라이즈 추가 구성 요소 활성화

인지 그래프의 추론 기능을 활용하여 조직은 새로운 데이터 연결을 추정할 뿐만 아니라 생성하는 모든 새로운 연결에 대해서도 설명합니다. 결과에 대한 설명이나 근거를 제공할 수 없는 블랙박스 추천 시스템과 달리 지식 그래프는 데이터, 스키마 및 비즈니스 규칙 측면에서 모든 추론과 결과를 설명할 수 있습니다. 이 설명적인 투명성을 통해 사용자는 지식 그래프가 답변에 도달한 방법과 이를 참조하는 비즈니스 로직을 검토할 수 있습니다. 이는 조직 내에서 신뢰할 수 있는 결과와 책임을 제공하는 데 중요할 뿐만 아니라 특정 법적 및 규제 요구 사항에도 필요합니다.

승인 그래프는 데이터 패브릭의 핵심 요소이지만 조직이 성공하는 데 필요한 유일한 요소는 아닙니다. 효과적인 데이터 패브릭을 위해서는 기존 소스 시스템을 활용하고 연결해야 합니다. 또한 기존 데이터 카탈로그, 데이터 레이크, 데이터베이스 및 기타 데이터 관리 플랫폼에 연결할 수 있는 기능이 필요합니다. 데이터 패브릭 배포의 경우 완료된 데이터 카탈로그 작업을 활용하는 것이 데이터 검색 및 의미 강화를 가속화하는 데 중요합니다. 데이터 카탈로그를 입력으로 사용하여 지식 그래프는 부분적으로 자동화된 학습 및 자동 학습을 통해 데이터 패브릭 생성을 더욱 가속화하는 엔터프라이즈 데이터 자산의 데이터 맵을 구축합니다. -기존 소스 매핑.

전사적 데이터 모델 생성은 adata 패브릭 배포와 관련된 또 다른 일반적인 질문입니다. 많은 사람들은 이것이 잠재적으로 비용이 많이 들고 시간이 많이 소요되는 이니셔티브의 전제 조건이라고 생각하지만 실제로는 초기 사용 사례에 필요한 만큼만 개념을 정의하면 됩니다. 광범위한 데이터 패브릭 이니셔티브를 주도하기 위해 중요한 비즈니스 문제를 식별하는 것부터 시작하십시오. MVP 사고 방식으로 데이터 패브릭에 접근하고 첫 번째 비즈니스 목표를 달성하는 데 필요한 최소한의 작업에만 집중하십시오.

모든 규모의 조직에서 디지털 트랜스포메이션에 더 많은 관심과 투자를 하고 있습니다. 이러한 새로운 관심에도 불구하고 근본적인 데이터 문제는 여전히 주요 장애물로 남아 있습니다. 디지털 트랜스포메이션에는 데이터 숙달이 필요하며 IT의 유산 덕분에 달성하기가 쉽지 않습니다. 데이터 형식, 표준, 데이터 유형, 속도, 스키마, 시스템, 데이터베이스, 사일로, 방법론, 모델 등 관리해야 할 것이 너무 많습니다.

지식 그래프의 현대적인 접근 방식을 활용하여 조직은 의미 있는 새로운 방식으로 내부 데이터 저장소를 연결할 수 있을 뿐만 아니라 대규모로 포착할 수 없는 추론을 통해 숨겨진 사실과 관계를 발견할 수도 있습니다. 동일한 기업에 대해 서로 다른 사업부가 가질 수 있는 미묘한 의미를 포착함으로써 조직은 시장의 지속적인 변화에 따라 공간을 유지하고 다음에 올 모든 것에 대비할 수 있는 재사용 가능한 디지털 기반을 만들 수 있습니다.